窗位是一个强去噪代理任务
图像与视频处理
2021-05-18 v1 计算机视觉与模式识别
摘要
CT 图像质量高度依赖于辐射剂量，这在辐射剂量与图像质量之间造成了权衡，进而影响后续基于图像的诊断性能。然而，高辐射对患者和操作人员均可能有害。已有若干（基于深度学习的）方法尝试对低剂量图像进行去噪。但这些方法需要大量训练集，特别是需要全剂量 CT 图像作为参考，而这往往难以获取。自监督学习正成为一种降低参考数据需求、促进无监督学习的新兴替代方案。现有可用的自监督 CT 去噪工作要么依赖于外部域，要么其 pretext 任务与目标任务相关性不强。为应对上述挑战，我们提出了一种新颖的自监督学习方法，即用于图像去噪的自监督窗位调整（SSWL-IDN），其利用一个创新、任务相关、简单而有效的代理任务——预测窗位等效图像。SSWL-IDN 利用残差学习以及结合感知损失与 MSE 的混合损失，全部集成于一个 VAE 框架中。我们广泛的（域内与跨域）实验证明了 SSWL-IDN 在仅以 5% 剂量水平获取的 CT（腹部与胸部）图像激进去噪中的有效性。
引用
@article{arxiv.2105.07153,
title = {Window-Level is a Strong Denoising Surrogate},
author = {Ayaan Haque and Adam Wang and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2105.07153},
year = {2021}
}
备注
11 pages, 4 figures